Pesquisadores da Universidade Federal de Pernambuco no Brasil apresentam uma nova estrutura baseada em aprendizado profundo para estimativa de postura de braço robótico e previsão de movimento

Desenvolvedores e roboticistas precisarão garantir que os robôs possam trabalhar com segurança entre humanos quando estiverem cada vez mais integrados a vários contextos do mundo real. Eles desenvolveram vários métodos recentemente para determinar instantaneamente os posicionamentos e prever os movimentos dos robôs.

Pesquisadores da Universidade Federal de Pernambuco no Brasil desenvolveram recentemente um novo algoritmo de aprendizado profundo para determinar a posição de braços robóticos e prever seus movimentos. Este conceito foi criado principalmente para aumentar a segurança do robô ao trabalhar ou interagir com pessoas.

Para aumentar a segurança das pessoas que trabalham perto de robôs, é necessário prever contratempos durante a interação humano-robô. A detecção de poses é considerada uma parte crucial da solução total. Eles sugerem uma nova arquitetura de Detecção de Pose construída em Convoluções Auto-Calibradas e Máquina de Aprendizagem Extrema para conseguir isso.

O risco de um robô colidir com objetos próximos pode ser reduzido ao prever com precisão seus movimentos e intenções futuros, estimando sua posição atual. Dois elementos essenciais – um modelo SCConv e um modelo ELM – compõem o método de estimativa de postura e previsão de movimento de Sadok e seus colegas.

O componente SCConvs aprimora as dependências espaciais e de canal gerais de seu modelo. Por outro lado, o método ELM é um método reconhecido e eficaz para classificar dados.

Os cientistas observaram que nenhum estudo foi feito que combinasse essas duas tecnologias para uma aplicação específica. Então eles decidiram testar se essa combinação melhora sua aplicação. Eles também aplicaram a previsão de movimento, consideraram a detecção de poses e usaram redes neurais recorrentes para fortalecer a estrutura.

Amostra de cenário – Humano e Robô. Crédito: Rodrigues et al.

Um conjunto de dados sob medida de fotografias de situações em que um braço robótico está se envolvendo com um usuário humano próximo foi montado pela primeira vez por cientistas. Eles usaram principalmente o braço robótico UR-5 da Universal Robots para produzir essas fotos.

READ  Melhor Motorola One Vision 128Gb: A melhor escolha para todos os orçamentos

Essas fotografias, principalmente as molduras do braço robótico, foram anotadas pelos pesquisadores. Eles poderiam então treinar o SCNet, o componente baseado em SCConv de sua abordagem, usando o novo conjunto de dados.

O principal objetivo dos pesquisadores foi reduzir o erro observado em comparação com outros designs conhecidos como VGG ou ResNet. Eles aplicaram o EML na extremidade da rede e utilizaram o SCNet para extrair recursos. Eles então previram o movimento usando os algoritmos Gated Recurrent Unit (GRU) e Long Short-Term Memory (LSTM). Eles vêem isso como uma nova estratégia para resolver o problema.

Em uma série de testes preliminares, os pesquisadores avaliaram a eficácia de sua estrutura tentando avaliar a postura e prever movimentos futuros de um braço UR-5 enquanto auxiliavam um usuário humano em tarefas relacionadas à manutenção. Eles descobriram que produziu resultados altamente encorajadores, identificando com precisão a atitude do braço robótico e prevendo suas próximas ações.

Eles consideram a criação de uma estrutura capaz de reconhecer a atitude e os movimentos de um braço robótico como sua realização essencial, o que aumentará a segurança do braço. Além disso, eles confirmaram os recursos do SSConv e do EML quando combinados e ampliaram sua utilidade.

Trabalho futuro

A estrutura criada por esta equipe de pesquisa pode ser utilizada para aumentar a segurança dos sistemas robóticos atuais e futuros. Eles também podem modificar e aplicar os algoritmos SCConv e ELM para outros aplicativos, como estimativa de pose humana, identificação de objetos e classificação de objetos.

Ao utilizar os modelos sugeridos para avaliação de risco em um ambiente cuidadosamente controlado, os pesquisadores esperam ampliar sua abordagem. Além de empregar modelos de previsão de aprendizado profundo para analisar os pontos vitais extraídos para detectar potenciais situações de risco ou colisão na colaboração humano-robô, eles desejam usar os modelos para estimativa conjunta de posição humana e robótica. Para criar um sistema mais confiável e realista para detecção de colisões, eles planejam expandir o mecanismo para operar em um ambiente mais complexo com mais humanos, robôs e interações. Essas adições devem nos permitir mapear possíveis cenários de colisão antes mesmo que eles surjam.

READ  Road show brasileiro em Nova York atrairá investidores de US$ 40 bilhões em infraestrutura de transporte - MercoPress

A estrutura poderia ser estendida para incluir a detecção de pose humana, e uma estimativa de pose e robô seria fornecida em conjunto. Ao mesclar os dois conjuntos de informações, o pesquisador pode categorizar melhor a quantidade de risco e trabalhar na previsão combinada dos dois movimentos, evitando que perigos adicionais interajam como em uma planta industrial.

This Article is written as a summary article by Marktechpost Staff based on the paper 'A framework for robotic arm pose estimation and
movement prediction based on deep and extreme learning models'. All Credit For This Research Goes To Researchers on This Project. Checkout the paper, ref post.

Please Don't Forget To Join Our ML Subreddit

Teremos o maior prazer em ouvir seus pensamentos

Deixe uma Comentário

DETRASDELANOTICIA.COM.DO PARTICIPE DO PROGRAMA ASSOCIADO DA AMAZON SERVICES LLC, UM PROGRAMA DE PUBLICIDADE DE AFILIADOS PROJETADO PARA FORNECER AOS SITES UM MEIO DE GANHAR CUSTOS DE PUBLICIDADE DENTRO E EM CONEXÃO COM AMAZON.IT. AMAZON, O LOGOTIPO AMAZON, AMAZONSUPPLY E O LOGOTIPO AMAZONSUPPLY SÃO MARCAS REGISTRADAS DA AMAZON.IT, INC. OU SUAS AFILIADAS. COMO ASSOCIADO DA AMAZON, GANHAMOS COMISSÕES DE AFILIADOS EM COMPRAS ELEGÍVEIS. OBRIGADO AMAZON POR NOS AJUDAR A PAGAR AS TAXAS DO NOSSO SITE! TODAS AS IMAGENS DE PRODUTOS SÃO DE PROPRIEDADE DA AMAZON.IT E DE SEUS VENDEDORES.
Portal On Jack